1. 結論先行：AI 裁員存在，但「所有裁員都是 AI」並不成立
來源事實：截至 2026 年 7 月 24 日，灣區已有公司在公開文件或主管發言中直接把人力縮減與 AI 連結。Block 的 SEC 附件寫明，公司將人力縮減逾 40%，改以較小、AI 原生團隊運作；HP 的 8-K 則揭露到 2028 會裁減約 4,000 至 6,000 人，並由執行長把計畫連結到 AI 導入與生產力提升。Salesforce 執行長也公開表示，AI Agent 讓客服支援人力由約 9,000 降到 5,000。
AI 判讀：這些案例足以否定「AI 尚未影響就業」的說法，但不足以支持「科技業裁員主要都是 AI 造成」。同一時期的裁員理由還包括疫情後過度擴張修正、企業軟體需求放緩、利率與成本壓力、績效淘汰、辦公據點整併、管理層扁平化，以及把預算移往資料中心、模型、晶片、資安與銷售。
中立的判斷方式不是先問公司有沒有談 AI，而是問：公司是否明確說明 AI 改變了所需人數、是否指出被自動化的工作流程、縮減是否透過實際解僱或停止回補完成，以及公司是否同時在別處大規模招募。只有把這些訊號分開，才不會把一般重整包裝成技術宿命，也不會低估真正的工作替代。
公開紀錄中的四種 AI 人力變動
FIGURE 01 / MATRIX| 項目 | 可驗證訊號 | 本文分類 | AI 因果可推論程度 |
|---|---|---|---|
| 公司直接說較少人可完成更多工作 | 公告同時描述 AI 工具、工作流程與縮減規模 | 顯性 AI 裁員 | 較高，但仍是公司自述，未必有獨立生產力稽核 |
| 裁掉一批、再招另一批 | 總量可能不變，技能、地點或部門組合改變 | AI 資源與技能重配 | 可推論 AI 影響組織設計，不能直接等同職務被自動化 |
| 不回補、自然流失、轉調或外包收縮 | 職能人數下降，但不一定形成一次性大量解僱 | 隱性 AI 縮編 | 公司若明說可達中高；只看人數變化則偏低 |
| AI 投資與裁員同時發生 | 未說明被取代工作，也可能是成本或景氣重整 | 伴隨型裁員 | 低；不能由時間上的同時發生推導因果 |
2. 查核方法：法律通知能證明「裁了多少」，通常不能證明「為何裁」
來源事實：本文把「矽谷」採廣義灣區範圍，時間從 2023 年 4 月生成式 AI 商用化加速後算到 2026 年 7 月 24 日。證據優先序依次是 SEC 文件與公司原始公告、加州 EDD WARN 紀錄、公司主管可追溯訪談，再以 Reuters、AP、聯準銀行、BLS 與研究機構資料交叉檢查。
加州 WARN 一般適用於近 12 個月曾僱用至少 75 人的事業場所，並涵蓋 30 天內 50 人以上的裁員、關廠或營運搬遷；雇主通常須提前 60 天通知。WARN 能提供地點、日期、職稱與人數，卻不要求公司把「AI」列成法律上的原因分類。因此它適合確認事件與規模，不適合單獨判定技術因果。
WARN 還有結構性盲點：分散到多個據點或遠端員工的小批裁撤、承包商合約終止、自然離職後不回補、取消尚未到職的職缺、內部轉調、績效管理與管理層縮減，都可能不會完整出現在單一大量解僱通知中。這也是本文使用「隱性縮編」而不是把所有變化都稱為裁員的原因。
仍有不確定性：外部觀察者無法知道反事實——若沒有 AI，公司是否仍會因獲利壓力裁掉同一批人。公司也有動機把普通成本削減描述成前瞻轉型；員工與媒體則可能把同時發生的 AI 投資視為直接替代。本文只在公開證據足以支持時提高因果判定。
3. 來龍去脈：裁員敘事從「修正過度擴張」逐步轉向「AI 原生組織」
2023 年的典型說法仍是疫情後需求正常化與成長放緩，AI 多半被當成下一個投資方向；到 2024 至 2025 年，公司開始明確裁掉不符合新技能、地點或組織設計的職位，同時增聘 AI、產品與工程人才。2026 年最明顯的變化，是部分執行長不再只談投資轉向，而是公開主張較小團隊可借助 AI 完成更多工作。
這條時間線不是從「沒有 AI 裁員」突然跳到「所有人被取代」，而是經過三個階段：先用 AI 合理化資源移轉，再透過未回補與重新分工降低部分職能人數，最後才出現把大規模縮編直接寫成 AI 原生營運模式的案例。
同時，AI 部門本身也會裁員。Meta 在 2025 年裁減約 600 個既有 AI 研究、產品與基礎設施職位，卻保留並繼續招募新的頂尖模型團隊。這證明「會做 AI」本身不是永久護身符；資源仍會依模型策略、團隊重疊、決策速度與資本配置重排。
2023–2026 灣區 AI 人力敘事演變
FIGURE 02 / FLOW裁減約 500 人、占 16%；同時談成熟業務逆風與 AI 時代，屬轉型與資源重配，不是直接證明 500 個職務被 AI 自動化。
約 1,800 人離開、占 10%；其中約 1,050 人被歸為未達績效，同時宣告再招約 1,800 人，顯示技能與組織組合替換。
投資 AI 與平台、停止部分職務回補、AI 團隊內部重整，以及把未來數年裁員連結到 AI 生產力，四種型態同時出現。
Block 直接以 AI 原生小團隊解釋逾 40% 縮編；Cisco 在營收與 AI 訂單成長時裁近 4,000 人，把資源移往 AI、晶片、光通訊與資安。
4. 顯性紀錄：Block 最接近直接 AI 裁員，HP 與 Chegg 則代表不同因果路徑
Block 是目前公開證據最直接的灣區案例。2026 年 2 月，公司在 SEC 附件中表示將人力縮減逾 40%，從一萬多人降至六千人以下，理由是較小、具高度能力的團隊可用 AI 自動化更多工作。這不是媒體由投資方向推論，而是公司自己把組織縮編、AI 工具與營運模式寫在同一段說明裡。
不過，公司原話仍不是完整因果稽核。Block 的文件也承認，縮編後的營運依賴 AI 工具的效能、可靠性與採用，若工具不如預期，可能增加成本、資安風險或降低效率。換句話說，這是一場可觀察的企業實驗，不是已被證明的普遍公式。
HP 的路徑較像多年期流程自動化。2025 年 11 月的 8-K 列出到 2028 年約 4,000 至 6,000 人的全球縮減，執行長說受影響範圍包含產品開發、內部營運與客服，目標是以 AI 加快產品開發、提升客服與生產力。這是顯性 AI 相關裁員，但因執行橫跨三年，實際會混合解僱、自然流失、流程合併與地區差異。
Chegg 代表另一條因果鏈：不是 AI 直接做掉內部工作，而是生成式 AI 與搜尋流量變化破壞原有商業模式。公司在 2025 年宣布裁減 388 個職位、約 45%，並明說新的 AI 現實與 Google 導流下降造成流量及營收下滑。這類「需求被 AI 改寫」同樣會失業，卻不應和內部自動化混成同一類。
5. 資源重配：Dropbox、Intuit、Workday、Cisco 與 Meta 都不能簡化成「AI 取代人」
Dropbox 在 2023 年裁減約 500 人、占 16%，執行長同時提到成長放緩、景氣逆風與 AI 時代到來。較準確的描述是，公司為新產品方向重新配置成本與技能；公開紀錄沒有證明 500 個工作已由模型逐一接手。
Intuit 在 2024 年的公告更能說明「換技能」與「減人」的差別。公司讓約 1,800 人離開，其中約 1,050 人被認定未達績效，另有管理層、據點與流程調整；同時承諾主要在工程、產品與客戶職能再招約 1,800 人，並預期總人數成長。AI 是轉型方向，但這不是淨人力縮減的典型案例。
Workday 2025 年先公告裁減約 1,750 人、占 8.5%，SEC 文件將其定義為投資優先順序與耐久成長；執行長另把 AI 與平台開發列為優先投資。之後實際縮減約 7.5%。這支持「AI 影響資本與人才配置」，但仍無法逐職位證明自動化替代。
Cisco 在 2026 年營收與 AI 基礎設施訂單成長時仍裁近 4,000 人，並把資源放向 AI、晶片、光通訊與資安。Meta 則一面裁減約 600 個既有 AI 團隊職位，一面保留新模型團隊並持續招募。兩者共同說明：AI 熱潮不是所有 AI 工作者一起受益，而是資源向少數策略、平台與人才密度集中。
7. 第三方資料：AI 衝擊正在擴大，但目前更像職務分化，而不是就業全面崩塌
Challenger 的 2026 年 3 月報告顯示，AI 當時已被列為約 13% 年初至今裁員計畫的理由；到 7 月，Reuters 引述其最新資料稱，企業把近四分之一的美國裁員歸因於 AI。這些是「雇主公告理由」的統計，不等於經濟學上的因果估計。Adecco 執行長因此提醒，有些公司可能拿 AI 掩飾業績不佳、一般重整或其他問題。
宏觀與企業調查都不支持單一方向。紐約聯準銀行的企業調查顯示，少招人的比例高於已裁員比例，但也有公司因 AI 增聘人才並大規模再訓練。其 2026 年勞工調查中，約 66% 的職場 AI 使用者自述生產力提高，另有 19% 表示仍在學習、工作反而變慢。AI 的效果取決於任務、流程、資料品質與使用者熟練度。
Stanford Digital Economy Lab 的 Canaries Dashboard 截至 2026 年 7 月 22 日顯示，整體就業並未在高 AI 曝險職業全面崩塌，但 22 至 25 歲早期職涯工作者在高曝險職業的收縮更明顯。這與「先少招初階人員」的機制相容，但仍不能排除景氣、產業組成與企業用人策略等共同因素。
BLS 對 2024 至 2034 年的預測也呈現分化：軟體開發、品質保證與測試職群預計成長約 15%，系統分析師約 9%，傳統 computer programmer 則預計下降 6%。這不是保證，而是清楚的方向訊號——只交付可規格化程式片段的角色承壓，能理解需求、設計系統、驗證品質與整合組織流程的角色仍有需求。
工程生產力研究同樣需要克制。METR 在 2025 年對熟悉自己開源專案的資深開發者做隨機實驗，早期 AI 工具反而使完成任務時間增加 19%；2026 年更新則認為新工具很可能已有改善，但因不願在無 AI 條件下工作的受試者增加，樣本選擇偏誤讓新估計不可靠。這正是不能把展示影片、benchmark 或主觀感受直接當作人力規劃依據的理由。
8. 工程職涯回顧：價值單位已從「產出多少」轉向「能否對系統結果負責」
2022 至 2023 年，工程師面對的是成長預期下修與過度招聘修正；2024 年後，AI 開始把同一份工作拆成兩層：模型可以加速草稿、樣板、搜尋、測試生成與第一輪分析，人則被要求承擔需求正確性、架構取捨、資料與權限、失敗處理、驗收及跨團隊溝通。表面上是寫程式變快，實際上是公司把更多責任集中到更少的人身上。
對初階工程師而言，問題不只是模型會不會寫 CRUD，而是過去用來學習的低風險工作被壓縮。如果公司直接用資深工程師加 Agent 完成原本的入門任務，人才管線會斷層；Adecco 也警告，企業若只刪初階職位，長期會失去未來的資深人才。工程團隊需要重新設計 apprenticeship：讓新人使用 AI，但仍必須親自做除錯、Code Review、測試設計、事故復盤與系統觀察。
對中高階工程師而言，年資本身也不再是護城河。Meta 的 AI 團隊重組與 Block 的大幅縮編都說明，公司會重新計算每一層管理、協作與專業分工的必要性。能留下差異的不是「會用某一個模型」，而是能把模型接進真實系統，建立可觀察、可回滾、可稽核的流程，並在結果不可靠時知道何時停止。
對測試、SRE、資安、資料與高責任領域工程師，機會反而可能增加。AI 讓產出量上升，也擴大錯誤、供應鏈、權限、隱私與合規風險；測試 Oracle、回歸策略、模型評估、資料治理、威脅建模、醫療或金融領域知識，都不是單靠提示技巧可以取代。這些能力的共同點，是它們直接約束系統能不能安全上線。
9. 職涯展望：不要押注單一工具，建立可證明的 AI 槓桿與系統責任
AI 建議：未來兩到三年，工程職位不太可能用一個統一速度消失；更可能發生的是團隊變小、職務邊界變寬、初階入口變少、交付週期縮短，以及公司把高薪集中給能控制複雜系統與關鍵風險的人。最危險的定位是把自己描述成某個框架或模型的操作員；工具更換時，履歷上的差異也會一起消失。
較穩健的投資有四層。第一，保留深度：至少有一個難以速成的領域，例如醫療流程、支付、資安、分散式系統、資料平台或法遵。第二，建立 AI 槓桿：能用 Agent、程式碼生成與自動化縮短循環，但要有基準線、測試與停止條件。第三，承擔系統責任：從需求澄清一路做到部署、觀測、事故與成本。第四，留下市場證據：用可重跑的專案、公開文件、案例數據與決策紀錄證明成果，而不是只列工具名稱。
AI 不會因為一個人拒用就停止進入工作流；但盲目追新工具也不是策略。每次採用都應回答三個問題：它實際省下哪一段時間？新增哪些錯誤與審查成本？若模型失效或價格改變，流程是否仍可運作？能持續量測這三件事的人，比單純產生更多程式碼的人更接近不可替代。
工程師在 AI 時代的可持續價值鏈
FIGURE 03 / FLOW理解使用者、領域規則、成本、失敗後果與不可違反的限制。
把可標準化工作交給工具，同時保留權限邊界、基準線與替代流程。
用測試、評估、觀測、資安與人工閘門確認結果，不接受模型自稱完成。
留下可重跑證據，說明交付時間、品質、風險與成本實際如何改變。
10. 尚待觀察：真正重要的不是下一次裁員標題，而是五個可持續訊號
仍有不確定性：目前公開資料無法精確算出「灣區有多少人純粹因 AI 失業」。公司公告會混合技術、成本與策略理由；WARN 有門檻與地點限制；職缺網站資料會受重複刊登與景氣影響；勞動研究也會因模型進步太快而迅速過時。因此本文提供的是分級後的證據地圖，不是單一總數。
接下來應持續追蹤五個訊號：第一，公司是否從「投資 AI」改為公開說明具體減少哪類人力；第二，初階軟體、支援、分析與營運職缺占比是否持續下降；第三，被縮減功能是否在六到十二個月後因品質或客戶問題重新招人；第四，AI 導入後的總成本是否真的下降，而不是把成本移到審查、事故、雲端與資安；第五，生產力提升是否由可稽核數據支持，而不是主管或員工的主觀感受。
中立結論是：AI 裁員已經從推測變成可找到明確公司文件的現象，但它仍只是科技業人力重整的一部分。工程師不需要假裝風險不存在，也不需要接受「職業即將歸零」的宿命論。較務實的做法，是把每一次工具進步轉成可驗證的槓桿，同時把自己的責任上移到模型最難獨立承擔的地方：真實世界的限制、系統整合、品質判斷與後果。